HiRO-ACE：一种用于高分辨率概率性降水模拟的人工智能气候代理模型

HiRO-ACE：一种用于高分辨率概率性降水模拟的人工智能气候代理模型

本文提出了一种基于人工智能的端到端气候模拟框架，旨在以极高的计算效率生成高分辨率（3公里）区域降水场，并保留极端天气事件（如热带气旋、强对流系统等）的关键统计特征和空间结构。该方法结合了随机气候模拟器（stochastic climate emulator）与扩散模型（diffusion model），实现了从粗分辨率（100公里）输入到精细分辨率（3公里）输出的高效、概率性降尺度。

https://arxiv.org/abs/2512.18224

https://arxiv.org/abs/2512.18224

Perfect prediction downscaling for a tropical cyclone event over the Philippines showing (a-c) three selected generated samples from a 128-member ensemble, (d) bicubic interpo lation of the coarse input, (e) target X-SHiELD 3 km data, and (f) standard deviation of the full generated ensemble.

Perfect prediction downscaling for a tropical cyclone event over the Philippines showing (a-c) three selected generated samples from a 128-member ensemble, (d) bicubic interpo lation of the coarse input, (e) target X-SHiELD 3 km data, and (f) standard deviation of the full generated ensemble.

一、研究背景与动机

1. 高分辨率气候模拟的重要性

• • 传统气候模型通常使用几十至百公里网格，无法显式解析中小尺度天气系统（如雷暴、锋面、地形降水、热带气旋眼墙结构等）。
• • 千米级（1–5 km）地球系统模型（如 X-SHiELD、ICON、SAM 等）可直接解析对流过程，无需依赖不确定的参数化方案，显著提升极端降水模拟的真实性。
• • 但代价高昂：全球千米级模拟需超算资源，难以进行多成员集合、长时间序列或情景探索（如未来气候风险评估）。

2. AI 的潜力

• • 近年深度学习在气象/气候建模中取得突破（如 FourCastNet、GraphCast、Pangu-Weather）。
• • 然而，大多数 AI 模型仍是确定性的，输出“平均”状态，模糊了极端事件细节。
• • 关键挑战：如何在保持物理一致性的同时，实现高分辨率 + 概率性 + 计算高效？

二、HiRO-ACE 框架概述

HiRO-ACE = ACE2S（Autoregressive Climate Emulator, Stochastic） + HiRO（High-Resolution Output diffusion model）

1. ACE2S：随机自回归气候模拟器

• • 输入：历史海表温度（SST）等边界强迫。
• • 输出：100 km 分辨率的全球大气状态（6小时步长），具有随机性——每次运行生成不同但物理合理的天气轨迹。
• • 基于 Watt-Meyer et al. (2025) 的 ACE2 模型改进，引入随机采样机制，避免确定性模型的“模糊效应”。
• • 目标：准确再现大尺度环流和降水概率密度函数（PDF）。

2. HiRO：基于扩散模型的超分辨率降尺度器

• • 输入：ACE2S 生成的 100 km 大气场（如湿度、风、位势高度等）。
• • 输出：3 km 分辨率的区域降水场（支持任意区域，除极地）。
• • 采用条件扩散模型（conditional diffusion model），从 100 km 条件下生成符合真实 km 级统计特性的降水样本。
• • 关键优势：能生成逼真的空间结构（如对流团、雨带、TC 螺旋雨带），且每次生成结果不同，支持集合预报/不确定性量化。

整个系统在 单块 H100 GPU 上，一天内可生成数十年的 6 小时 3 km 降水序列。

三、训练数据与参考模型

• • 使用 NOAA-GFDL 的 X-SHiELD 模型（~3 km 全球非静力大气模型）的历史模拟输出作为“真值”。
• • 强迫场：观测的海表温度（historical SST）。
• • 时间跨度：近 10 年的 6 小时输出。
• • 同时用于训练 ACE2S（100 km → 100 km 自回归）和 HiRO（100 km → 3 km 降尺度）。

四、关键技术亮点

1. 概率性设计

• • 传统 AI 气象模型（如 Pangu、GraphCast）是确定性的，输出单一“最可能”状态，抑制了天气内在变率。
• • HiRO-ACE 通过 随机模拟器 + 随机扩散模型，完整保留天气系统的内在不确定性，支持生成集合成员，用于风险评估。

2. 端到端可扩展性

• • ACE2S 可快速生成全球低分辨率气候轨迹；
• • HiRO 可按需对任意区域进行高分辨率“放大”，无需重新训练。

3. 极端事件保真度

• • 验证表明：HiRO-ACE 能准确再现：
  • • 极端降水频率（如 99.9% 分位数）
  • • 热带气旋路径与强度分布
  • • 中尺度对流系统（MCS）的空间组织
  • • 地形增强降水

五、应用价值

• • 本地气候适应规划：社区可低成本获取未来高分辨率极端降水情景。
• • 灾害风险建模：保险公司、应急管理部门可运行大量集合模拟，评估洪水、滑坡等风险。
• • 弥补计算鸿沟：让缺乏超算资源的研究机构也能使用“类 km 级”数据。

六、局限与未来方向

• • 当前仅针对降水，未来可扩展至风、温度、云等变量。
• • 极地未覆盖（因训练数据限制）。
• • 长期气候漂移（climate drift）在自回归系统中仍需监控。
• • 与物理守恒律（如质量、能量）的显式耦合有待加强。

七、总结

HiRO-ACE 是 AI for Climate 的重要进展： 它不是简单替代气候模型，而是构建了一个高效、概率性、高保真的“代理系统”，将昂贵的 km 级模拟能力民主化。其核心创新在于将随机性贯穿整个生成链条，从而在速度与真实性之间取得突破性平衡。

正如其 Plain Language Summary 所言： “This capability is a step towards helping communities better prepare for future climate risks by providing an accessible method to make local projections of extreme weather that were previously too expensive to produce.”

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。